Indexation et interrogation de chemins de lecture en contexte pour la recherche d'information structurée sur le web - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2002

Indexation et interrogation de chemins de lecture en contexte pour la recherche d'information structurée sur le web

Résumé

The growth of the Web gives new challenges in Information Retrieval (IR). Most of current systems are based on a re-use of traditional models, which have been developed for textual, atomic and independent documents and are not adapted to the Web. The Web structure is an essential aspect of the information description. Some approaches use this structure for IR, but most of them consider the whole set of links as a "bag-of-links", modelling the Web as a directed graph with HTML pages as nodes and hypertext links as edges, without taking into account the type of the links. The aim of our work is to take into account the links at both indexing and query time of a Structured Information Retrieval System (SIRS). The proposed IR model is based on a model of hyperdocuments in context, considering four facets of information description on the Web: the content, the hierarchical structure, the linear or non-linear reading paths and the context. A hyperdocument is modelled by a content (like for the structured documents), a set of reading paths and a context (accessible information space and referencing information space). A specific indexation process is proposed for each facet. The evaluation of our SmartWeb system shows the interest of the accessible information combined with the content. Then, we show the interest of an indexation of both "structured documents" and "reading paths", using several structured test collections automatically constructed. The model is also implemented in a full SIRS, showing the feasibility of our overall approach on the real Web. In particular, the links typing is one of the most important aspects of our model and is also the main difficulty of its implementation: we show that it is possible to extract a hierarchical structure from the Web and to identify different granularities of information.
L'explosion du Web représente un nouveau défi pour la Recherche d'Information (RI). La plupart des systèmes actuels d'accès à l'information sont basés sur des modèles classiques, qui ont été développés pour des documents textuels, atomiques et indépendants et qui ne sont pas adaptés au Web. La structure du Web est un aspect essentiel de la description de l'information. Les travaux qui utilisent cette structure pour la RI simplifient le modèle du Web en un graphe orienté, dont les noeuds sont des pages HTML et les arcs sont des liens hypertextes, sans tenir compte du type des liens. L'objectif de ce travail est de prendre en compte l'impact des liens lors de la phase d'indexation et à la phase d'interrogation d'un système de Recherche d'Information Structurée (SRIS). Le modèle de RI proposé est fondé sur un modèle d'hyperdocuments en contexte considérant quatre facettes de la description d'information sur le Web : le contenu, la structure hiérarchique, la lecture linéaire/déambulatoire et le contexte. Un hyperdocument est modélisé par un contenu au sens des documents structurés, un ensemble de chemins de lecture et un contexte (espace d'information accessible et espace d'information référençant). Un processus d'indexation spécifique est proposé pour chaque facette. L'évaluation de notre système SmartWeb montre l'intérêt de l'information accessible combinée avec le contenu. Puis, à l'aide de collections de test structurées construites automatiquement, nous montrons l'intérêt d'une indexation au niveau des documents structurés et des chemins de lecture. Le modêle est également implanté dans un SRIS complet, montrant ainsi la faisabilité de notre approche dans sa globalité et sur le Web. En particulier, le typage des liens est à la fois un des aspects les plus importants du modèle et une difficulté majeure de sa mise en oeuvre : nous montrons qu'il est possible d'extraire une structure hiérarchique du Web et d'identifier différentes granularités d'information.
Fichier principal
Vignette du fichier
tel-00004453.pdf (2.56 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00004453 , version 1 (03-02-2004)

Identifiants

  • HAL Id : tel-00004453 , version 1

Citer

Mathias Géry. Indexation et interrogation de chemins de lecture en contexte pour la recherche d'information structurée sur le web. domain_stic.hype. Université Joseph-Fourier - Grenoble I, 2002. Français. ⟨NNT : ⟩. ⟨tel-00004453⟩

Collections

UGA IMAG CNRS UJF
268 Consultations
561 Téléchargements

Partager

Gmail Facebook X LinkedIn More